library(readxl)
library(ggplot2)
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.1
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ lubridate 1.9.2     ✔ tibble    3.2.1
## ✔ purrr     1.0.1     ✔ tidyr     1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(broom.mixed)
## Warning: package 'broom.mixed' was built under R version 4.3.1
library(lme4)
## Warning: package 'lme4' was built under R version 4.3.1
## Loading required package: Matrix
## 
## Attaching package: 'Matrix'
## 
## The following objects are masked from 'package:tidyr':
## 
##     expand, pack, unpack

Explicacion de los datos utilizados

Plantas (hierbas traidas de): 1.Quebec: 1,2 y 3 2.Mississippi: 1,2 y 3

Tipo: dos lugares: 1.Quebec 2.Mississippi

Tratamiento 1. Con refrigeracion 2. Sin refrigeracion

Concentración (ppm)

1. 95, 2. 175, 3. 250, 3. 350, 4. 500, 5. 675, 6. 100

Datos originales

data("CO2")
ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(aes(shape = Treatment)) +
  geom_path(aes(group = Plant, lty = Treatment)) + 
  theme_bw()

Fit1 <- lm(uptake ~ I(log(conc)) + Type:Treatment, data = CO2)

Fit2 <- lmer(uptake ~ I(log(conc)) + Type:Treatment + (1 | Plant), data = CO2)
## fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
broom::glance(Fit1)
broom::tidy(Fit1)
broom.mixed::glance(Fit2)
broom.mixed::tidy(Fit2)

Interpretación:

Con base en los resutados obtenidos con la base de datos sin modificacion se evidencia que las plantas procedentes de Quebec presentaron el mejor nivel de absorción de CO2 con las siete concentraciones trabajadas con ambos tratamientos que simulan las condiciones ambientales (con refrigeracion y sin ella). Sin embargo, a nivel particular el tratamiento sin refrigeracion presento los mejores resultados con respecto a la absorcion de CO2 en ambas plantas traidas de ambas regiones. La peor absorcion se presento en las pplantas traidas de missisipi que fueron sometidas a bajas temperaturas en la absorcion de CO2.

Datos modificados con ruido

datos_modelo_mixto <- read_excel("C:/Users/luisa/Desktop/datos modelo mixto.xlsx")
View(datos_modelo_mixto)
head(datos_modelo_mixto)
p<- ggplot(datos_modelo_mixto, aes(x = Concentracion, y = Consumo_2, color = tipo)) +
  geom_point(aes(shape = Tratamiento)) +
   theme_bw()
p <- p + labs(x = "Concentración", y = "Consumo de CO2")
p + scale_color_manual(values=c('#21465b','#a1c621'))

Nota:A continuation, se presenta la interacción entre dos regiones (tipo: Quebec y Mississippi) y el tratamiento (refrigerado y no refrigerado) sobre la tasa de absorción de CO2.

Fit1 <- lm(Consumo_2 ~ I(log(Concentracion)) + tipo:Tratamiento, data = datos_modelo_mixto)

Fit2 <- lmer(Consumo_2 ~ I(log(Concentracion)) + tipo:Tratamiento + (1 | Planta), data = datos_modelo_mixto)
## fixed-effect model matrix is rank deficient so dropping 1 column / coefficient
broom::glance(Fit1)
broom::tidy(Fit1)
broom.mixed::glance(Fit2)
broom.mixed::tidy(Fit2)

Interpretacion:

a pesar de causar una variabilidad interna en los datos n=84 y un rango limite inferior de 0.02 y un maximo de 0.04 no se encontraron diferencias en los resultados generales del experimento ya que las plantas traidas de QUebec siguen presentando la mayor absorcion de CO2 tanto en condiciones normales como de refrigeracion. Las plantas traidas de missisipi presentaron la peor absorcion

Segunda parte: Modelo lineal generalizado

Datos

data("ChickWeight")
view("ChickWeight")

Explicacion de los datos

1. Weight: peso corporal del pollo (g).

2. Time: número de días desde de nacimiento(0.,2,4,6,8,10,12,14,16,18,20,21 dias)

3. chick: identificador único para el pollo en función de la misma dieta que recibio.

4. diet: identificador de la dieta que recibió el pollo.

Grafico

ggplot(ChickWeight, aes(x = Time, y = weight)) + 
  geom_point(aes(color = Diet)) +
  geom_path(aes(color = Diet, group = Chick))

Interpretación

La grafica muestra el cambio en el tiempo (0.,2,4,6,8,10,12,14,16,18,20,21 dias) del peso de diferentes pollos con diferentes dietas(4); siendo la mas efectiva a nivel general la dieta 3 y 4 para los pollos para alcanzar una mayor biomasa en el dia 21, asi mismo el creciemito mas lento se presento con la dieta 1. A continuacion, se presenta la interaccion del modelo lineal generalizado entre el tiempo y la dieta y su efecto en el peso de los pollos.

Nota:A continuacion, se presenta la interaccion del modelo lineal generalizado entre el tiempo y la dieta y su efecto en el peso de los pollos.

Fit1_Poisson <- glm(weight ~ Diet:Time, data =ChickWeight, family = poisson)
Fit1_Poisson
## 
## Call:  glm(formula = weight ~ Diet:Time, family = poisson, data = ChickWeight)
## 
## Coefficients:
## (Intercept)   Diet1:Time   Diet2:Time   Diet3:Time   Diet4:Time  
##     3.85899      0.06557      0.07537      0.08624      0.08228  
## 
## Degrees of Freedom: 577 Total (i.e. Null);  573 Residual
## Null Deviance:       22440 
## Residual Deviance: 4038  AIC: 7791
Fit2_Poisson <- glmer(weight ~ Diet:Time + (1|Chick), data =ChickWeight, family = poisson)
## Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl = control$checkConv, : Model is nearly unidentifiable: very large eigenvalue
##  - Rescale variables?
broom::tidy(Fit1_Poisson)
broom.mixed::tidy(Fit2_Poisson)
sjPlot::plot_model(Fit1_Poisson,type = "eff")
## Package `effects` is not available, but needed for `ggeffect()`. Either
##   install package `effects`, or use `ggpredict()`. Calling `ggpredict()`
##   now.
## $Diet

## 
## $Time

Nota:la dieta 3 y 4 es el mejor para el aumento de peso, la dieta 1 es la peor para el aumento de peso proyectado en los pollos

Preguntas:

1.Porqué utiliza modelo mixto ? RTA: Se utiliza un modelo mixto debido a que con este se puede evaluar la relacion entre los efectos fijos y efectos aleatorios en un experimento, asi por ejemplo para la informacion presentada anteriormente a lo largo del documento se puede apreciar que el modelo mixto permite contemplar los efectos que presentarian los efectos sobre la respuesta.

2.Qué ventajas tiene este tipo de modelos en agricultura.

RTA: en la agricultura constantemente nos vemos enfrentados a situaciones en las cuales las condiciones de experimento no permiten anticipar de manera fija todas las influencias que se pueden afectar los resultados de un proyecto, ya sea en la produccion, rendimiento o a nivel molecular y genetico dependiendo sea el caso. Por tanto, al analizar un modelo mixto este nos permite evaluar las variables en el experimento de una manera mas eficaz para poder descartar cuales podrian ser un problema en nuestra profesion y asi mismo arreglarlo